ECCV 2022 | 开放集半监督目标检测！论文/代码速递2022.10.27！

整理：AI算法与图像处理

CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo

ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo

最新成果demo展示：

标题：Open-Set Semi-Supervised Object Detection

论文：https://ycliu93.github.io/assets/file/ECCV22_OSSOD.pdf

主页：https://ycliu93.github.io/projects/ossod.html

半监督对象检测（SSOD）的最新发展表明了利用未标记数据来改进对象检测器的前景。然而，到目前为止，这些方法都假定未标记数据不包含分布外（OOD）类，这对于更大规模的未标记数据集是不现实的。在这篇文章中，我们考虑一个更实际但更具挑战性的问题，开放集半监督对象检测（OSSOD）。我们首先发现，现有的SSOD方法在开放集条件下获得较低的性能增益，这是由语义扩展引起的，在语义扩展中，分散注意力的OOD对象被错误地预测为半监督训练的分布伪标签。为了解决这个问题，我们考虑在线和离线OOD检测模块，它们与SSOD方法集成。通过广泛的研究，我们发现利用基于自监督视觉变换器的离线OOD检测器，由于其对伪标记干扰的鲁棒性，其性能优于在线OOD检测器。在实验中，我们提出的框架有效地解决了语义扩展问题，并在许多OSSOD基准测试（包括大规模COCOOpenImages）上显示了一致的改进。我们还验证了我们的框架在不同OSSOD条件下的有效性，包括不同数量的分布类、不同程度的监管以及不同组合的未标记集合。

最新论文整理

ECCV2022

Updated on : 27 Oct 2022

total number : 1

Decoupled Mixup for Generalized Visual Recognition

• 论文/Paper: http://arxiv.org/pdf/2210.14783
• 代码/Code: https://github.com/HaozheLiu-ST/NICOChallenge-OOD-Classification.

CVPR2022

NeurIPS

Updated on : 27 Oct 2022

total number : 5

Streaming Radiance Fields for 3D Video Synthesis

• 论文/Paper: http://arxiv.org/pdf/2210.14831
• 代码/Code: https://github.com/AlgoHunt/StreamRF.

Analyzing Deep Learning Representations of Point Clouds for Real-Time In-Vehicle LiDAR Perception

• 论文/Paper: http://arxiv.org/pdf/2210.14612
• 代码/Code: None

Explicitly Increasing Input Information Density for Vision Transformers on Small Datasets

• 论文/Paper: http://arxiv.org/pdf/2210.14319
• 代码/Code: https://github.com/xiangyu8/DenseVT.

Synthetic Tumors Make AI Segment Tumors Better

• 论文/Paper: http://arxiv.org/pdf/2210.14845
• 代码/Code: None

Accelerating Certified Robustness Training via Knowledge Transfer

• 论文/Paper: http://arxiv.org/pdf/2210.14283
• 代码/Code: None